تخمین مقادیر تراوایی با استفاده از شبکه عصبی مصنوعی با تکیه بر مدل سازی استاتیک مخزنی مطالعه موردی یکی از میدان‌های نفتی خلیج‌فارس

تراوایی یکی از پارامترهای مهم در مطالعات پتروفیزیکی مخزن است و ارزیابی این پارامتر می تواند به عنوان یک ابزار کلیدی در توسعه میدان های نفتی استفاده شود. هدف این مطالعه تخمین و مدل سازی سه‌بعدی تراوایی مخزنی سازند سورمه بالایی در یکی از میدان های نفتی خلیج فارس است. سازند سورمه با سن ژوراسیک به عنوان یکی از مهم ترین مخازن نفت و گاز در حوضه خلیج فارس محسوب می شود. در این مطالعه، در فرآیند ارزیابی تراوایی از داده های لرزه ای سه‌بعدی پس از برانبارش و نگارهای تراوایی استفاده شده است. مدل ساختمانی مخزن با استفاده از تفسیر مقاطع لرزه ای و نگارهای چاه در بخش مخزنی تهیه شده است. این مدل شامل تفسیر سطوح گسل، شبکه ژئوسلول و افق های مخزن می باشد. شبکه ژئوسلول مورد استفاده در این مطالعه از ستونک و ژئوسلول هایی با ابعاد 50 در 50 متر در راستای x و y مورد استفاده قرار گرفت. ضخامت لایه های ژئوسلولی هر زون مخزن را متناسب با آن زون در بخش مخزنی طراحی شده است. تخمین مقادیر تراوایی با استفاده از شبکه عصبی مصنوعی با الگوریتم پس انتشار انجام شده است. و عملکرد مقادیر تخمین با استفاده از روش k-foldمورد ارزیابی قرار گرفته است.نتایج حاصل از شبکه عصبی مصنوعی در چاه های مخزن مورد مطالعه تعمیم داده شد. مقدار ضرایب همبستگی حاصل از مقادیر تخمین تراوایی با داده های مغزه حفاری برابر با 88 درصد است. مقایسه نتایج زمین آمار با مقادیر تراوایی نشان می دهد که روش های ارائه شده می توانند نتایج قابل قبولی را برای مدل سازی تراوایی مخزن ارائه دهند.

integration of permeability estimation methods using geostatistics and artificial neural network; a case study one of oil fields in the persian gulf

permeability is one of the important parameters in reservoir petrophysical studies, and evaluation of this parameter can be used as a key tool in the oil fields development. this study aim is permeability estimation and modeling of the upper surmeh formation in one of the oil fields in the persian gulf. the surmeh formation with jurassic age is considered as one of the most important oil and gas reservoirs in the persian gulf basin. in this study, we have used petrophysical well logs and 3d post-stack seismic data in the permeability evaluation process. the structural reservoir model has been prepared using the interpretation of seismic sections and well logs in the reservoir section. this model includes the interpretation of fault surfaces, geocell network and reservoir horizons. the geocell network used in this study used columns and geocells with dimensions of 50 * 50 meters in the x and y directions. the thickness of the geocellular layers of each reservoir zone is designed to fit that zone in the reservoir section. the values permeability estimation was performed using the artificial neural network with a back-propagation algorithm. the results obtained from the artificial neural network were generalized in the studied reservoir well logs. the correlation coefficients value obtained from permeability estimation values with drilling core data is equal to 88%. comparison of geostatistics results with permeability value shows that the proposed methods can provide acceptable results for reservoir permeability modeling.